Fidel-TS：用于时间序列预测的高保真多模态基准
机器学习
2026-05-11 v4 机器学习
摘要
时间序列预测模型的评估因缺乏高质量基准而受阻，导致对进展的评估被高估。现有数据集存在诸多问题，从单模态设计中的小规模、低频率、预训练数据污染，到早期多模态设计中普遍存在的时间与描述泄露。为了解决这一问题，我们形式化了高保真基准测试的核心原则，重点关注数据来源的完整性、无泄露设计和结构清晰性。我们引入了基于这些原则构建的大规模新基准 Fidel-TS。我们的实验揭示了先前基准的局限性以及模型评估中潜在的差异，为多种现有的单模态和多模态预测模型以及 LLM 在各种评估任务上提供了新的见解。
引用
@article{arxiv.2509.24789,
title = {Fidel-TS: A High-Fidelity Multimodal Benchmark for Time Series Forecasting},
author = {Zhijian Xu and Wanxu Cai and Xilin Dai and Zhaorong Deng and Qiang Xu},
journal= {arXiv preprint arXiv:2509.24789},
year = {2026}
}
备注
new version